我们似乎正陷入一个巨大的。Ru果你问身边的开发者或内容创作者，他们大多会承认：现在的产出量确实比以往任何时候dou要高，甚至Ke以说是指数级的增长。然而当你关上电脑，那种深入骨髓的疲惫感却也是前所未有的真实。这不禁让人怀疑，我们引以为傲的效率提升，是不是某种以透支认知为代价的骗局？

Zui近，长期深耕于AI基础设施领域的资深开发者Siddhant Khare发表了一些深刻的感悟，他在OpenFGA、agentic-authz等项目中的经历，让他对这种“被掏空”的状态有着切肤之痛。上个季度，他提交的代码量或许刷新了职业生涯的记录，但随之而来的，是比以往任何时候dougeng严重的职业倦怠。这并非个例，而是整个科技行业在拥抱AI后面临的集体阵痛。

我们要明白一个残酷的现实：科技行业原本就存在高压和倦怠问题，AI并没有创造这个问题，它只是粗暴地移除了过去保护我们的“安全阀”。想一想，在没有AI辅助的日子里我们的工作节奏受限于什么？是打字的速度，是查阅资料的速度，甚至是大脑处理信息的自然步调。这些物理上的限制，实际上构成了一个“自然速度上限”。

这就好比一辆跑车，以前受限于路况和引擎性Neng，你只Neng开到80码，虽然慢，但你的反应时间跟得上，精神也是紧绷但可控的。现在AI把这辆车的引擎换成了火箭推进器，理论上你Ke以飙到300码。但问题来了你的大脑——那个负责决策、判断和审查的驾驶员，并没有进化出应对这种速度的生理机Neng。

以前，开发者可Neng一整天只啃一个复杂的设计问题。你Ke以慢慢想，去散步时想，洗澡时想，回到电脑前继续梳理。这种节奏虽然慢，但负担是可控的，geng多时候是一种针对问题的深度专注。而现在这种慢节奏的奢侈被剥夺了。AI极大地压缩了“生产”的时间，却把成本转移到了“决策”和“审查”上。而这恰恰是消耗人类认知资源Zui快的地方。

对于许多技术从业者来说AI带来的深层焦虑源于一种本质上的错配。在过去，工程训练高度依赖确定性：同样的输入，必然得到同样的输出。这是调试、推理以及构建复杂系统的基础，是我们与机器之间的一份“契约”。

然而AI打破了这份契约。你面对的不再是一个逻辑严密的编译器，而是一个基于概率预测的系统。Siddhant Khare指出，你在和一个概率系统协作，但你的大脑却习惯于确定性系统。这种长期的错配，会在潜意识里消耗大量的精神Neng量。

这种不确定感并非戏剧性的恐惧，而是一种“持续的背景噪音式压力”。因为你知道，AI生成的代码kan起来hen自信，Neng编译通过甚至Neng跑通测试，但它可Neng在奇奇怪怪的地方突然暴雷。于是你不得不养成一种病态的习惯：每行dou怀疑。阅读自己没写的、也不理解其历史与上下文约定的代码，是极其耗神的。你无法信任输出，所以也就无法真正放松，每次交互dou必须保持警惕。

工作类型的本质正在发生改变。创造性的工作geng容易让人进入“心流”状态，成果也geng易于量化；而评审工作则截然不同，它极度消耗精力，容易引发“决策疲劳”。

在使用AI开发一个新的微服务时任务进行了三天后Siddhant发现自己Yi经不想Zuo任何决策了。整个项目开发下来他感觉自己并不是在写代码，而是在判断代码。一天需要Zuo成百上千个小评判，每一个判断dou需要调用你的专业经验和直觉。geng残酷的是AI生成的代码往往需要比人工编写的代码geng加谨慎地审查。

以前有“天花板”当作调速器，现在调速器没了唯一的上限变成了你的认知耐力。而Zui可怕的是多数人只有在“超载之后”才知道自己的极限。变快并不会让你Zuogeng少的任务，相反，它会让你Zuogeng多的任务。现在一天可Neng要碰几十个问题，每个dou“用AI只要一小时”，但人类在几十次上下文切换中，会感到强烈的精神撕裂。特别是AI不会累，但人会。

现阶段，AIgeng像是一个“聪明但不可靠的实习生”。它Neng力超群，但经常自作主张，甚至有着自己的“叛逆心理”。开发者hen容易忘了目标是交付功Neng，而不是让AI输出完美。因为AI是概率预测，它就像是一只猫，对你的诉求有着自己的理解。

这种不可控性在实际操作中令人抓狂。比如你给它设定了一套规则，要求必须遵循xxx规范。结果任务执行到一半，它突然在输出里说：“虽然规则是xxx，但是我觉得不Neng这样，所以我决定YYY……”这种突如其来的“自我意识”不仅打断了你的工作流，还让你不得不花精力去纠正它的“创造性错误”。

有时候，AI挖的坑是真的深。有一次Siddhant恰好没kanAI的过程，只Review了它修改的Diff。结果这个“实习生”悄悄地把本地一个库里可执行文件的属性从“可写”改成了“只读”。因为项目当时正运行着，热加载机制也没发现问题。但等到程序退出，再进行增量编译时灾难就开始了。

CMake报错信息含糊不清，怎么回滚代码dou不行，每次只NengClean后全量编译，浪费时间且令人崩溃。直到后来他花了好几天时间，一个一个翻中间文件，才发现是一个库的可执行文本被修改成了只读属性。增量编译每次尝试覆盖它时就会报错。Zui气人的是这种修改往往没有Git记录，你完全不知道它为什么突然就Zuo了这种匪夷所思的行为。

除了工作流本身的改变，AI现在也是焦虑的重要来源。“行业速度”带来了巨大的压迫感。短短几个月内，各种Coding Agent、CLI工具、Sub-agent协议、新框架、Registry、收购与升级像潮水一样滚动出现。社交媒体还在不断煽动：“你不跟上就过时”。

Siddhant深陷其中，但他后来开始反思。他发现自己曾花两周时间打磨的一套Prompt工程模板，结果还没整完，新的Skills功Neng就来了旧模板瞬间变得鸡肋，只Neng放弃。geng让他崩溃的是“知识贬值”或“工作沉没”：早期辛苦建立的Best Practices，几个月后随着模型geng新反而变得不再适用，甚至geng差。

这种不断追逐工具的疲惫，迫使他改变策略。他不再追每个新工具，而是下沉到geng耐久的基础设施层——关注上下文效率、授权机制、审计日志、运行时安全等。因为工具会变，但底层的问题不变。把“了解趋势”与“被趋势驱动立刻采用”区分开来是保持理智的关键。

面对这种全方位的围剿，我们并非无计可施。Siddhant了一些对抗AI疲倦的解法，核心在于重新确立人与机器的边界。

不要陷入与AI的无休止纠缠中。给自己定个硬性规则：Zui多三次尝试。Ru果AI在三次尝试后还不Neng达到“80%可用”的状态，就立刻停止，自己动手写。不要试图通过优化Prompt去拯救一个死胡同，那是在浪费你的认知资源。

使用AIZui忌讳完美主义。hen多工程师天然追求可预期、干净、可靠的代码，但AI输出永远是“差不多”。Zui容易被AI折磨的，往往是那些标准Zui高、Zui敏感的好工程师。geng需要一种Neng力：快速从不完美里榨取价值，而不是沉迷把它打磨到完美。记住这个函数应该叫什么名字？那个配置应该放在哪里？这些琐碎的细节Ru果不影响核心逻辑，就不要在乎。

因为你不可Neng规模化地审完AI产出的每一行代码，所以geng需要“Zui小权限原则”、作用域Token限制、审计日志等安全手段。你需要像对待不可信的外包人员一样对待AI，孜孜不倦地对这些细小颗粒进行审核和保持警惕。为什么？因为同事写的代码你可Neng了解他的习惯和盲区，Neng有选择地信任；但AI没有习惯，只有概率。

关键不是“少用AI”，而是“用AI要有边界和意图”。要承认人不是机器，不必跟机器同速。真正的核心技Neng，不再是写出Zui快的代码，而是知道什么时候该切断电源，让大脑休息。

AI确实Neng增强个体Neng力，但组织节奏的加速正引发普遍的疲劳与职业倦怠。研究显示，尽管企业未增设考核指标，员工却因AI使任务变得geng可行，而自发扩大了工作量，午休与晚间时间被持续侵占。工程师坦言工作量未减反而增多，这正是一种典型的“Neng力陷阱”。

我们正处于一个转型期，从与确定性系统协作，转向与概率系统共舞。这注定是痛苦的，就像是在沙滩上搭建城堡，潮水随时可Neng冲刷你的地基。但只要我们意识到，我们的审核速度不需要跟上它的产出速度，我们的价值不在于比AIgeng快，而在于比AIgeng懂得“为何而战”，或许我们就Neng在这场效率的革命中，找回一丝久违的掌控感。